來源：Deephub Imba
本文約2800字，建議閱讀5分鐘
LazyProphet還是一個時間序列建模的很好選擇。

特征

代碼

pip install LazyProphet安裝后，開始編碼：import matplotlib.pyplot as pltimport numpy as npfrom tqdm import tqdmimport pandas as pdfrom LazyProphet import LazyProphet as lp
train_df = pd.read_csv(r'm4-weekly-train.csv')test_df = pd.read_csv(r'm4-weekly-test.csv')train_df.index = train_df['V1']train_df = train_df.drop('V1', axis = 1)test_df.index = test_df['V1']test_df = test_df.drop('V1', axis = 1)

def smape(A, F):  return 100/len(A) * np.sum(2 * np.abs(F - A) / (np.abs(A) +       np.abs(F)))

smapes = []naive_smape = []j = tqdm(range(len(train_df)))for row in j:  y = train_df.iloc[row, :].dropna()  y_test = test_df.iloc[row, :].dropna()  j.set_description(f'{np.mean(smapes)}, {np.mean(naive_smape)}')  lp_model = LazyProphet(scale=True,                          seasonal_period=52,                          n_basis=10,                          fourier_order=10,                          ar=list(range(1, 53)),                          decay=.99,                          linear_trend=None,                          decay_average=False)  fitted = lp_model.fit(y)  predictions = lp_model.predict(len(y_test)).reshape(-1)  smapes.append(smape(y_test.values,     pd.Series(predictions).clip(lower=0)))  naive_smape.append(smape(y_test.values, np.tile(y.iloc[-1], len(y_test))))  print(np.mean(smapes))print(np.mean(naive_smape))

• scale：這個很簡單，只是是否對數(shù)據(jù)進(jìn)行縮放。默認(rèn)值為 True 。
• seasonal_period：此參數(shù)控制季節(jié)性的傅立葉基函數(shù)，因?yàn)檫@是我們使用 52 的每周頻率。
• n_basis：此參數(shù)控制加權(quán)分段線性基函數(shù)。這只是要使用的函數(shù)數(shù)量的整數(shù)。
• Fourier_order：用于季節(jié)性的正弦和余弦對的數(shù)量。
• ar：要使用的滯后目標(biāo)變量值?？梢垣@取多個列表 1-52 。
• decay：衰減因子用于懲罰我們的基函數(shù)的“右側(cè)”。設(shè)置為 0.99 表示斜率乘以 (1- 0.99) 或 0.01。
• linear_trend：樹的一個主要缺點(diǎn)是它們無法推斷出后續(xù)數(shù)據(jù)的范圍。為了克服這個問題，有一些針對多項(xiàng)式趨勢的現(xiàn)成測試將擬合線性回歸以消除趨勢。None 表示有測試，通過 True 表示總是去趨勢，通過 False 表示不測試并且不使用線性趨勢。
• decay_average：在使用衰減率時不是一個有用的參數(shù)。這是一個trick但不要使用它。傳遞 True 只是平均基函數(shù)的所有未來值。這在與 elasticnet 程序擬合時很有用，但在測試中對 LightGBM 的用處不大。

train_df = pd.read_csv(r'm4-hourly-train.csv')test_df = pd.read_csv(r'm4-hourly-test.csv')train_df.index = train_df['V1']train_df = train_df.drop('V1', axis = 1)test_df.index = test_df['V1']test_df = test_df.drop('V1', axis = 1)
smapes = []naive_smape = []j = tqdm(range(len(train_df)))for row in j:  y = train_df.iloc[row, :].dropna()  y_test = test_df.iloc[row, :].dropna()  j.set_description(f'{np.mean(smapes)}, {np.mean(naive_smape)}')  lp_model = LazyProphet(seasonal_period=[24,168],                          n_basis=10,                          fourier_order=10,                          ar=list(range(1, 25)),                          decay=.99)  fitted = lp_model.fit(y)  predictions = lp_model.predict(len(y_test)).reshape(-1)  smapes.append(smape(y_test.values, pd.Series(predictions).clip(lower=0)))  naive_smape.append(smape(y_test.values, np.tile(y.iloc[-1], len(y_test))))  print(np.mean(smapes))print(np.mean(naive_smape))

結(jié)果

boosting_params = {                  "objective": "regression",                  "metric": "rmse",                  "verbosity": -1,                  "boosting_type": "gbdt",                  "seed": 42,                  'linear_tree': False,                  'learning_rate': .15,                  'min_child_samples': 5,                  'num_leaves': 31,                  'num_iterations': 50                  }

• 進(jìn)行了零參數(shù)優(yōu)化（針對不同的季節(jié)性稍作修改）?
• 分別擬合每個時間序列?
• 在我的本地機(jī)器上在一分鐘內(nèi)“懶惰地”生成了預(yù)測。?
• 在基準(zhǔn)測試中擊敗了所有其他樹方法?

引用：

[1] Markus ?L?ning, Franz Király: “Forecasting with sktime: Designing sktime’s New ?Forecasting API and Applying It to Replicate and Extend the M4 Study”, ?2020; arXiv:2005.08067

編輯：王菁